1. 从 sqlite3 到 AI 调用本地脚本里 Key 散落一地的真实痛点如果你用 Python 写过个人小工具大概率经历过这个阶段一开始只是import sqlite3建个test.db增删改查跑得挺顺。后来想给脚本加点 AI 能力比如自动给数据打标签、生成摘要、做语义去重于是代码里开始出现openai_api_key、base_url、model这些变量。再后来换了另一个模型服务又加一组 Key。最后打开文件一看数据库连接和模型调用混在一起Key 散落在三四个地方改一次配置要翻半天。这篇就聚焦这个场景Python 开发者用 sqlite3 做本地数据读写时怎么把模型调用和数据库操作串成一条链路同时把 endpoint 和 Key 统一收口到一个通道。适合谁适合写个人脚本、做小工具、跑本地数据清洗的人。你不需要搭服务不需要 Docker一个.py文件加一个.db文件就能跑通。核心检索词先摆出来Python sqlite3 基本操作加上「本地数据库 AI 调用最小示例」。我会先给一份能直接复制的 sqlite3 建表/增删改查代码再把模型调用的 endpoint 和 Key 改到 TaoToken 的配置片段最后附一次连接验证和查询回显动作。目标很明确你照着敲完能直接跑通。先说清楚 sqlite3 是什么。它是 Python 标准库自带的轻量数据库不需要单独安装数据存成一个.db文件。能做什么建表、插入、查询、更新、删除事务提交。适合谁适合数据量不大、单机运行、不想折腾数据库服务的场景。个人脚本、爬虫落地、配置存储、小工具缓存都够用。而模型调用这块很多人卡在「Key 管理」上。代码里写死 Key 不安全多个服务各一套 Key 又难维护。把 endpoint 和 Key 统一到一个通道代码里只留一个入口这是比较省心的做法。下面按步骤来。2. TaoToken 前置准备统一 Key 通道与模型调用入口配置在动手改代码之前先把「通道」这件事说清楚。你可以把 TaoToken 理解成一个统一的模型调用入口你只需要拿到一个 API Key配一个 Base URL代码里所有模型请求都走这个入口。这样 sqlite3 负责本地数据模型调用负责 AI 能力两者通过一个配置变量解耦。前置准备分三步。第一步拿到 API Key。访问控制台创建 Key地址是https://taotoken.net/api-keys。创建后复制保存后面配置里要用。注意 Key 只显示一次丢了就重新建一个。第二步确认 Base URL。API 入口是https://taotoken.net/api这个地址不加任何查询参数直接作为base_url使用。很多 SDK 要求 base_url 以/v1结尾或者不带具体看下面配置片段我会写清楚。第三步选模型 ID。模型对话页面可以查看可用模型地址https://taotoken.net/model-chat。选一个你常用的模型 ID比如对话类或代码类记下来配置里填进去。这三样东西——Base URL、API Key、Model ID——就是后面所有配置的核心。我建议你不要把它们硬编码在.py文件里而是放到环境变量或者一个单独的配置文件。原因很简单脚本可能分享给别人Key 泄露风险高而且换模型时只改一处不用翻代码。这里给一个推荐做法在项目根目录建一个.env文件或者直接用系统环境变量内容大致是TAOTOKEN_API_KEY你的Key TAOTOKEN_BASE_URLhttps://taotoken.net/api TAOTOKEN_MODEL你的模型ID然后在 Python 里用os.environ读取。这样 sqlite3 的代码和模型调用的代码就彻底分开了数据库操作只管数据模型调用只管请求。如果你用的是 OpenAI 兼容的 SDK配置片段大概是这样import os from openai import OpenAI client OpenAI( api_keyos.environ[TAOTOKEN_API_KEY], base_urlos.environ[TAOTOKEN_BASE_URL], ) MODEL_ID os.environ[TAOTOKEN_MODEL]注意base_url这里填的是https://taotoken.net/api不要自己加/v1或者别的路径SDK 会处理。如果你用的不是 OpenAI SDK而是直接发 HTTP 请求那 endpoint 就是https://taotoken.net/api加上具体的路径具体看接入文档https://taotoken.net/doc。前置准备做完你手里应该有一个能用的 Key、一个 Base URL、一个 Model ID。接下来进入代码环节。3. 可复制配置sqlite3 建表增删改查 模型调用串联代码这一节是重点我给一份完整的、能直接跑的代码。分两部分先写 sqlite3 的基本操作再把模型调用串进去。你可以新建一个demo.py把下面代码复制进去改一下环境变量就能跑。先看 sqlite3 部分。建表、插入、查询、更新、删除五个动作全覆盖import os import sqlite3 DB_PATH test.db def init_db(): if os.path.exists(DB_PATH): os.remove(DB_PATH) conn sqlite3.connect(DB_PATH) cursor conn.cursor() cursor.execute( create table user(id int primary key, name varchar(20), tag varchar(50)) ) conn.commit() cursor.close() conn.close() def insert_user(uid, name): conn sqlite3.connect(DB_PATH) cursor conn.cursor() cursor.execute(insert into user (id, name, tag) values (?, ?, ?), (uid, name, )) conn.commit() cursor.close() conn.close() def query_users(): conn sqlite3.connect(DB_PATH) cursor conn.cursor() cursor.execute(select * from user) values cursor.fetchall() cursor.close() conn.close() return values def update_tag(uid, tag): conn sqlite3.connect(DB_PATH) cursor conn.cursor() cursor.execute(update user set tag ? where id ?, (tag, uid)) conn.commit() cursor.close() conn.close() def delete_user(uid): conn sqlite3.connect(DB_PATH) cursor conn.cursor() cursor.execute(delete from user where id ?, (uid,)) conn.commit() cursor.close() conn.close()这里有几个细节值得说。第一我用?占位符传参而不是字符串拼接避免 SQL 注入这是 sqlite3 基本操作里必须养成的习惯。第二每次操作都commit()否则数据不落盘。第三cursor.close()和conn.close()成对出现避免连接泄漏。第四建表时多了一个tag字段这个字段后面用来存模型生成的标签把数据库和 AI 调用串起来。接下来是模型调用部分。假设我们要给每个 user 生成一个标签存回tag字段import os from openai import OpenAI client OpenAI( api_keyos.environ[TAOTOKEN_API_KEY], base_urlos.environ[TAOTOKEN_BASE_URL], ) MODEL_ID os.environ[TAOTOKEN_MODEL] def generate_tag(name): resp client.chat.completions.create( modelMODEL_ID, messages[ {role: system, content: 你是一个标签生成器只输出一个中文词。}, {role: user, content: f给这个名字生成一个标签{name}}, ], temperature0.3, ) return resp.choices[0].message.content.strip()然后把两部分串起来if __name__ __main__: init_db() insert_user(1, Michael) insert_user(2, Alice) for uid, name, _ in query_users(): tag generate_tag(name) update_tag(uid, tag) for row in query_users(): print(row)跑完你会看到类似(1, Michael, 音乐)、(2, Alice, 阅读)这样的输出。数据库负责存模型负责生成Key 只在client初始化时用一次。如果你用 TOML 做配置可以这样写[taotoken] api_key 你的Key base_url https://taotoken.net/api model 你的模型ID然后 Python 里用tomllib读取。这样配置和代码分离换模型只改 TOML。如果你用 Cline MCP 或者 Codex 这类工具配置里同样要写全三件套Base URL、Key、Model ID。比如 Codex 的auth.json里base_url填https://taotoken.net/apiapi_key填你的 Key模型 ID 填你选的。三件套缺一不可少一个就会报鉴权或模型找不到的错。4. 验证请求与查询回显一次跑通的完整动作代码写完了怎么确认真的跑通了我建议分两步验证先验证 sqlite3 本身再验证模型调用最后看串联结果。第一步单独跑 sqlite3。把模型调用那部分注释掉只跑init_db、insert_user、query_users。如果输出[(1, Michael, ), (2, Alice, )]说明数据库操作没问题。这一步能排除掉「数据库路径不对」「表没建成功」「commit 漏了」这类问题。第二步单独验证模型调用。写一个最小脚本from openai import OpenAI import os client OpenAI( api_keyos.environ[TAOTOKEN_API_KEY], base_urlos.environ[TAOTOKEN_BASE_URL], ) resp client.chat.completions.create( modelos.environ[TAOTOKEN_MODEL], messages[{role: user, content: 回复两个字收到}], ) print(resp.choices[0].message.content)如果打印出「收到」或者类似内容说明 Key、Base URL、Model ID 三件套配置正确。这一步能排除掉「401 鉴权失败」「模型 ID 写错」「base_url 多了 /v1」这类问题。第三步跑完整串联。执行demo.py观察输出。正常情况下你会看到每个 user 的tag字段被填上了模型生成的内容。如果tag还是空的说明模型调用返回了空字符串或者update_tag没执行。可以在generate_tag里加一行print(resp)看原始返回。这里给一个查询回显的检查点跑完后单独执行一次query_users()把结果打印出来。如果tag字段有值说明整条链路通了。如果报错看下面的排查章节。实测下来最容易出问题的地方是环境变量没生效。比如你在.env里写了 Key但 Python 没加载.envos.environ[TAOTOKEN_API_KEY]就会抛KeyError。解决办法是用python-dotenv加载或者直接在终端export。我试过在 PyCharm 里跑环境变量要在 Run Configuration 里单独配这点容易踩坑。5. 本篇常见错排查401、local proxy failed、reading choices、OAuth这一节对照真实报错来。你在串联 sqlite3 和模型调用时大概率会遇到下面几类错误。我按报错原文和解决思路列出来。401 Unauthorized。这是最常见的鉴权错误。原因通常是 Key 没填、Key 填错、或者 Key 前后有空格。检查os.environ[TAOTOKEN_API_KEY]的值打印出来看长度对不对。另外确认 Base URL 是https://taotoken.net/api不要写成别的路径。如果 Key 是从控制台复制的注意不要带上多余换行。local proxy failed / connection error。这类报错通常是网络层的问题。检查你的网络环境是否能正常访问https://taotoken.net/api。可以用curl测一下curl -X POST https://taotoken.net/api/chat/completions \ -H Authorization: Bearer 你的Key \ -H Content-Type: application/json \ -d {model:你的模型ID,messages:[{role:user,content:hi}]}如果 curl 也失败说明是网络或地址问题如果 curl 成功但 Python 失败说明是代码里的 base_url 或 SDK 配置问题。reading choices 报错 / choices 为空。这个报错通常出现在resp.choices[0]这一行。原因是模型返回结构里没有choices或者choices是空列表。常见触发场景模型 ID 写错服务返回了错误信息而不是正常补全或者请求被限流返回了错误对象。解决办法是先打印resp原始内容看返回结构。如果是模型 ID 问题去模型对话页面确认正确的 ID。OAuth 相关报错。如果你用的是 Claude Code 或者某些需要 OAuth 的工具可能会遇到 OAuth 流程失败。这类工具通常需要你在配置里写全 Base URL、Key、Model ID 三件套。以 Claude Code 为例配置里ANTHROPIC_BASE_URL填https://taotoken.net/apiANTHROPIC_API_KEY填你的 Key模型 ID 填你选的。三件套写全OAuth 类报错基本能消掉。如果还报错检查配置文件路径是否正确比如~/.claude/settings.json或者项目级的settings.json。sqlite3.OperationalError: no such table。这是数据库侧的错误和模型调用无关。原因是建表语句没执行或者数据库文件路径不对。检查init_db()是否在插入前调用检查DB_PATH是否指向了正确的文件。如果你在多个目录下跑脚本相对路径test.db会在不同目录生成不同文件建议用绝对路径。sqlite3.ProgrammingError: Cannot operate on a closed database。这个错误说明你在conn.close()之后又用了cursor。检查代码顺序确保commit()和close()在所有操作之后。排查思路总结成一句话先隔离再串联。数据库报错就单独跑数据库模型报错就单独跑模型两边都通了再串起来。这样定位问题最快。6. 语义一致 CTA把这条链路用到你的长期编码场景到这里sqlite3 的基本操作和模型调用的串联已经跑通了。你手里有一份能直接跑的代码建表、增删改查、模型生成标签、回写数据库。Key 只在初始化时用一次endpoint 统一到https://taotoken.net/api模型 ID 从环境变量读。如果你只是偶尔跑跑脚本这套配置够用了。但如果你要长期做编码、跑 Agent、或者把这条链路用到更多项目里建议看一下 Coding Plan地址是https://taotoken.net/coding-plan。它适合需要持续调用模型、管理多个项目的场景Key 和额度管理会更省心。另外两个入口也放这里按需取用。需要验证模型效果、快速试对话去模型对话页面https://taotoken.net/model-chat。需要管理 Key、创建新 Key去控制台https://taotoken.net/api-keys。接入细节和参数说明看文档https://taotoken.net/doc。最后说一个实用技巧把generate_tag这类函数抽到一个单独的ai_utils.py里数据库操作抽到db_utils.py主脚本只负责编排。这样下次换模型或者换数据库只改一个文件。我试过在几个小工具里这么拆维护成本低很多。代码跑通只是开始结构清晰才能长期用。